بسیاری از افراد حباب‌های فناوری را به شکل فاجعه‌آمیز تصور می‌کنند، اما واقعیت پیچیده‌تر است. از نظر اقتصادی، حباب زمانی ایجاد می‌شود که سرمایه‌گذاری بیش از حد انجام شود و عرضه از تقاضا پیشی بگیرد. نکته مهم این است که همیشه همه چیز یا هیچ چیز نیست و حتی سرمایه‌گذاری‌های خوب هم می‌توانند اشتباه شوند اگر مراقب نحوه انجام آن‌ها نباشیم.
تفاوت سرعت نرم‌افزار و زیرساخت
چالش اصلی در تحلیل حباب هوش مصنوعی، اختلاف زمانی بین رشد سریع نرم‌افزار و کندی ساخت و تجهیز دیتاسنترها است. ساخت این مراکز چند سال طول می‌کشد و در این مدت، شرایط به شدت تغییر می‌کند. زنجیره تأمین خدمات هوش مصنوعی بسیار پیچیده و متغیر است و پیش‌بینی دقیق نیازهای آینده دشوار است. مسئله تنها میزان استفاده از هوش مصنوعی در ۲۰۲۸ نیست، بلکه نحوه استفاده و پیشرفت‌های احتمالی در انرژی، طراحی نیمه‌هادی‌ها و انتقال نیرو نیز اهمیت دارد.
سرمایه‌گذاری‌های عظیم در زیرساخت
سرمایه‌گذاری‌ها در این حوزه بسیار بزرگ هستند و می‌توانند اشتباه شوند. به عنوان مثال، یک کمپرسور دیتاسنتر مرتبط با اوراکل در نیومکزیکو حدود ۱۸ میلیارد دلار اعتبار از ۲۰ بانک دریافت کرده است. اوراکل همچنین قرارداد ۳۰۰ میلیارد دلاری خدمات ابری با OpenAI بسته و همراه با SoftBank، پروژه “Stargate” را با هدف ساخت زیرساخت ۵۰۰ میلیارد دلاری هوش مصنوعی آغاز کرده است. Meta نیز قصد دارد طی سه سال آینده ۶۰۰ میلیارد دلار در این حوزه سرمایه‌گذاری کند. حجم این تعهدات بسیار زیاد است و ردیابی آن‌ها دشوار است.
با وجود این سرمایه‌گذاری‌ها، هنوز نمی‌توان با اطمینان پیش‌بینی کرد تقاضا برای خدمات هوش مصنوعی با چه سرعتی رشد خواهد کرد. بر اساس یک نظرسنجی مک‌کنزی، تقریباً همه شرکت‌ها از ابزارهای هوش مصنوعی استفاده می‌کنند، اما تعداد کمی آن‌ها را در مقیاس واقعی به‌کار می‌گیرند. هوش مصنوعی در برخی کاربردها باعث کاهش هزینه شده است، اما تأثیر قابل توجهی بر کل کسب‌وکار ندارد. بسیاری از شرکت‌ها هنوز در حالت «صبر و مشاهده» هستند. اگر انتظار دارید این شرکت‌ها فضای دیتاسنتر شما را خریداری کنند، ممکن است مدت زیادی منتظر بمانید.
چالش‌های زیرساختی ساده‌تر اما حیاتی
حتی اگر تقاضای هوش مصنوعی بی‌پایان باشد، پروژه‌ها با مشکلات ساده‌تر زیرساختی مواجه خواهند شد. ساتیا نادلا در یک پادکست گفت که بیشتر نگران کمبود فضای دیتاسنتر است تا کمبود تراشه. او توضیح داد: «مشکل تأمین تراشه نیست؛ مشکل این است که من فضای خالی آماده برای نصب ندارم.» در عین حال، برخی دیتاسنترها به دلیل محدودیت در تأمین انرژی برای تراشه‌های نسل جدید، بلااستفاده باقی مانده‌اند.
در حالی که Nvidia و OpenAI با حداکثر سرعت ممکن پیش می‌روند، شبکه برق و محیط ساخته‌شده همچنان با سرعت سابق حرکت می‌کنند. این وضعیت فرصت‌های زیادی برای ایجاد گلوگاه‌های پرهزینه ایجاد می‌کند، حتی اگر همه چیز دیگر درست پیش برود.
مطالعه بیشتر و منابع مرتبط
برای اطلاعات بیشتر درباره این موضوع، می‌توانید مقاله مرتبط با Kaltura و گسترش آواتارهای گفت‌وگو محور را مطالعه کنید.
